这篇文章主要介绍“如何用python抓取网站教程并制作成PDF文档”,在日常操作中,相信很多人在如何用python抓取网站教程并制作成PDF文档问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”如何用python抓取网站教程并制作成PDF文档”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
创新互联是一家专注于成都做网站、成都网站设计与策划设计,香坊网站建设哪家好?创新互联做网站,专注于网站建设10余年,网设计领域的专业建站公司;建站业务涵盖:香坊等地区。香坊做网站价格咨询:18980820575
实现功能:抓取廖雪峰网站的python教程,保存html页面到本地,然后用pdfkit包将html转换为pdf。
运行需求:安装python的pdfkit包和windows下的wkhtmltopdf。
代码如下:
# -*- coding: utf-8
import urllib2
import urllib
import re,os
import time
import pdfkit
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
class Liao:
def __init__(self,init_url,out_put_path):
self.init_url = init_url
self.out_put_path = out_put_path
self.user_agent = 'Mozilla/4.0 (compatible; MSIE 5.5; Windows NT)'
self.headers = { 'User-Agent' : self.user_agent }
self.file_name = 'liao.pdf'
self.html_template = """
{content}
#获取网页内容
def get_content(self,url):
try:
request = urllib2.Request(url,headers=self.headers)
response = urllib2.urlopen(request)
content = response.read().decode('utf-8').encode('GBK')
return content
except urllib2.URLError, e:
if hasattr(e,"reason"):
print u"连接页面失败,错误原因",e.reason
return None
#获取文章目录url列表
def get_article_url(self):
content = self.get_content(self.init_url)
#print content
pattern = re.compile(r'
.*?(.*?).*?',re.S)
# pattern = re.compile(r'
',re.S)
result = re.findall(pattern,content)
i = 1
print len(result)
# for x in result:
# print x[0],x[1]
# i+=1
return result
#获取文章内容,传入文章的url,返回文章内容
def get_article_detail(self):
url_list = self.get_article_url()
pattern = re.compile(r'(.*?)
',re.S)
# patt_title = re.compile(r'(.*?)
')
patt_img = re.compile(r' i = 1
urls = []
for item in url_list:
#获取文章的url
article_url = 'http://www.liaoxuefeng.com' + item[1]
url_ind = article_url.split('/')[-1]
#提取文章标题
article_title = item[2].replace('/','_')
title_level = item[0]
#title_tag = '' + article_title + ''
title_tag = '' + article_title + '
'
#生成html文件名
html_file = url_ind + '.html'
#根据文章url,抓取文章内容
content = self.get_content(article_url)
article_content = str(re.findall(pattern,content)[0])
#处理图片的url,加上域名
def func(m):
if not m.group(1).startswith("http"):
rtn = ' return rtn
else:
return ' article_content = re.compile(patt_img).sub(func, article_content)
#将标题加到文章内容中
article_content = title_tag + article_content
article_content = self.html_template.format(content=article_content)
#生成url及文件名列表
urls.append((url_ind,html_file))
#写文件
print 'saving file ' + html_file
with open(html_file, 'wb') as f:
f.write(article_content)
return urls
#将html保存成pdf
def save_pdf(self,htmls):
"""
把所有html文件保存到pdf文件
"""
options = {
'page-size': 'Letter',
'encoding': "UTF-8",
'custom-header': [
('Accept-Encoding', 'gzip')
]
}
pdfkit.from_file(htmls, self.file_name, options=options)
init_url = 'http://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000'
out_put_path = 'd:/python/test/output'
liao = Liao(init_url,out_put_path)
urls = liao.get_article_detail()
htmls = [x[1] for x in urls]
liao.save_pdf(htmls)到此,关于“如何用python抓取网站教程并制作成PDF文档”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注创新互联网站,小编会继续努力为大家带来更多实用的文章!
当前题目:如何用python抓取网站教程并制作成PDF文档
网站路径:http://cqcxhl.com/article/pddoog.html